Implementasi YOLOv11 Untuk Deteksi Penyakit Tanaman Padi Berdasarkan Citra Daun

Abstrak

Padi (Oryza sativa) merupakan komoditas strategis bagi ketahanan pangan di Indonesia, namun rentan terhadap serangan penyakit seperti hawar daun bakteri (blight), blast, dan tungro, yang dapat menurunkan produktivitas secara signifikan. Deteksi dini penyakit ini secara manual oleh petani seringkali tidak akurat dan lambat. Penelitian ini bertujuan mengimplementasikan algoritma YOLOv11 berbasis deep learning untuk mendeteksi penyakit tanaman padi berdasarkan citra daun dengan akurasi tinggi. Metode penelitian mengikuti kerangka CRISP-DM (Cross Industry Standard Process for Data Mining), dimulai dari pemahaman bisnis, pengumpulan data, persiapan data, pemodelan, hingga evaluasi. Dataset terdiri dari 500 citra daun padi yang diklasifikasikan ke dalam tiga kelas penyakit. Data diproses melalui augmentasi dan resizing untuk menyeimbangkan distribusi kelas dan menyeragamkan ukuran gambar. Model YOLOv11 dilatih dengan parameter 100 epochs, ukuran gambar 224x224 piksel, dan batch size 32. Hasil evaluasi menunjukkan model mencapai akurasi 95% dengan precision dan recall rata-rata di atas 95%. Confusion matrix mengungkapkan kemampuan klasifikasi yang sangat baik, terutama untuk penyakit tungro (100% akurasi). Model juga efisien dalam melakukan prediksi dengan waktu inferensi 8.2 milidetik per gambar. Kesimpulan penelitian ini membuktikan bahwa YOLOv11 efektif untuk deteksi penyakit padi berbasis citra daun. Saran untuk pengembangan selanjutnya meliputi penambahan variasi data, integrasi ke aplikasi mobile, dan pengujian lapangan untuk validasi kinerja di kondisi nyata.

Kata Kunci: YOLOv11, deteksi penyakit padi, deep learning, citra daun, computer vision.